Original scientific paper

https://doi.org/10.14256/JCE.4319.2025

Predviđanje nesigurnih cestovnih dionica pomoću strojnog učenja

Riste Ristov
Slobodan Ognjenović
Zlatko Zafirovski

Abstract

U ovome je radu opisana metodologija strojnog učenja za predviđanje opasnih cestovnih dionica primjenom ponderiranog indeksa nesreća (Wi). U analizu uključena je 161 cestovna dionica u Sjevernoj Makedoniji, ukupne duljine oko 1300 km, pri čemu su razmotrene 23 varijable svrstane u skupine koje se odnose na cestu, promet, okoliš i nesreće. Utjecaj značajki vrednovan je primjenom šest modela, uz podjelu podataka na skup za učenje i skup za testiranje u omjeru 80 : 20. Primjenom ponderiranog SHAP-a izvedeno je jedinstveno rangiranje varijabli, dok je konačni prediktivni model XGBoost temeljen na 15 ulaznih značajki. Potvrđena učinkovitost modela iznosi R² = 0,65, a u sklopu operativne prioritizacije postignut je AUROC = 0,69 pri Wi ≥ 10,13, što nadležnim institucijama omogućuje pravodobnu identifikaciju opasnih dionica i odgovarajuće intervencije.

Keywords

sigurnost u prometu; strojno učenje; predviđanje; SHAP; ponderirani indeks nesreća; analiza prometa

Hrčak ID:

344215

URI

https://hrcak.srce.hr/344215

Publication date:

1.2.2026.

Article data in other languages: english

Visits: 459 *